[發明專利]一種基于深度圖像的數據增強方法

在審

• 申請號: 202010858444.4
• 申請日: 2020-08-24
• 公開（公告）號: CN112070689A
• 公開（公告）日: 2020-12-11
• 發明（設計）人: 田相軒;石志強;趙萌;王璇;陳波;白向華
• 申請（專利權）人: 中國人民解放軍陸軍裝甲兵學院
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T5/40;G06N3/04;G06N3/08
• 代理公司: 上海思牛達專利代理事務所(特殊普通合伙) 31355
• 代理人: 丁劍

本發明公開了一種基于深度圖像的數據增強方法，涉及深度圖像數據增強技術領域，包括以下步驟：獲取原始深度圖像，對所述原始深度圖像進行Gabor濾波變換，得到多方向多尺度的深度圖像，其中，包括SAR圖像；獲取多方向多尺度的深度圖像中的待修復區域是否位于圖像的邊緣位置確定目標掩膜生成方式，基于目標掩膜生成方式確定多方向多尺度的深度圖像中待修復區域的掩膜。本發明實現去除質量不好的深度圖像的噪聲，提高深度圖像的質量，得到的增強深度圖可以作為后續圖像處理的標準圖像，使得深度圖質量得到改善，解決了目前網絡泛化能力低，增強效果不佳的問題，具體很好的實時性和應用范圍廣。

技術領域

本發明涉及深度圖像數據增強技術領域，具體來說，涉及一種基于深度圖像的數據增強方法。

背景技術

深度模型是一種多層的神經網絡，在多個領域得到了非常多的應用，比如：目標識別、目標檢測、語義分割等。對于目標識別，深度模型主要分為兩個部分，第一個階段充當一個特征提取器，相比傳統的分類器需要手動設計特征提取器，在這一步中深度模型通過卷積層能夠自動提取豐富的層級特征，從而減少了手動設計特征的代價。第二階段充當一個分類器。

Gabor濾波器的頻率和方向表示接近人類視覺系統對于頻率和方向的表示。它對目標邊緣敏感，可以提供良好的方向選擇特性。利用Gabor濾波器很容易提取目標的多尺度多方向信息。

SAR-ATR的性能往往和所能夠獲取的訓練樣本的完備程度相關。訓練一個好的分類器往往需要多的訓練數據，但是SAR圖像數據的稀少性質會對所訓練的分類器的效果造成影響，使識別正確率降低。所以在SAR-ATR領域，訓練數據的稀少性是一個比較嚴重的問題。對于深度模型，訓練一個好的網絡需要大量的訓練數據。如果僅僅用現有的SAR圖像數據進行訓練，稀少的數據訓練將造成網絡嚴重過擬合，使識別效果非常差。SAR圖像數據的稀少性與深度模型對數據的極大需求兩者是很難達到統一，在以往傳統的目標識別方法中，如：KNN、SVM、Adaboost等方法雖然對數據的需求相比深度模型來說要少，但是整體的識別效果不是很好。且有的研究基于深度模型的SAR-ATR，訓練數據比較少，所以設計的網絡比較淺，達不到提取更深特征的目的，識別效果會大打折扣。

針對相關技術中的問題，目前尚未提出有效的解決方案。

發明內容

針對相關技術中的問題，本發明提出一種基于深度圖像的數據增強方法，以克服現有相關技術所存在的上述技術問題。

本發明的技術方案是這樣實現的：

一種基于深度圖像的數據增強方法，包括以下步驟：

步驟S1，獲取原始深度圖像，對所述原始深度圖像進行Gabor濾波變換，得到多方向多尺度的深度圖像，其中，包括SAR圖像；

步驟S2，獲取多方向多尺度的深度圖像中的待修復區域是否位于圖像的邊緣位置確定目標掩膜生成方式，基于目標掩膜生成方式確定多方向多尺度的深度圖像中待修復區域的掩膜；

步驟S3，將待修復區域的掩膜結合快速行進算法對多方向多尺度的深度圖像的待修復區域進行空洞填補得到修復后的深度圖像；

步驟S4，對空洞修復后的深度圖像進行中值濾波，去除圖像邊緣噪聲，得到圖像增強處理后的深度圖像，其中包括對空洞修復后的深度圖像依次進行直方圖均衡化、雙邊濾波器濾波、Sobel算子提取邊界、基于分水嶺算法的分割、分割塊平均值填充和像素量化處理。

進一步的，包括構建深度圖像模型，包括

輸入分別輸入第一卷積層和第二卷積層，第一卷積層、第二卷積層分別為9*9的卷積層和3*3的卷積層；

第一卷積層連接第三卷積單元，所述第三卷積單元為3*3的卷積層后連接一個ReLU層；